《基于spss的国民生产总值的主成分分析》由会员分享，可在线阅读，更多相关《基于spss的国民生产总值的主成分分析（4页珍藏版）》请在金锄头文库上搜索。
1、基于SPSS的国民生产总值的主成分分析摘要主成分分析也称主分量分析。由霍特林于1933年首次提出。主成分分析是用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化后的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，并且各个主成分之间互不相关，这就使得主成分比原始变量具有某些更优越的性能。这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。国民生产总值GDP主要有两种计算方法，收入法和支出法，本文运用支出法计算国民生产总值。支出法计算国民生产总
2、值主要是核算以下各项指标的数据：消费（包括居民消费和政府部门的消费）；资本形成总额（固定资本形成总额和存货变动）；货物和服务净出口。本文从2005年开始，整理了近十年的数据，利用spss软件对影响国民生产总值的各项因素进行主成分分析，找出关键因素，进而调整宏观经济政策。【关键字】：spss 国民生产总值 主成分分析1. 国民生产总值GDP的核算支出性结构虽然首先表现为消费、投资、出口之间的结构，但也包括消费结构、投资结构、出口结构。因此，讨论支出性结构，既要分析消费、投资、出口之间的结构，也要讨论投资结构、消费结构、出口结构。表1-1是2005年到2014年国民生产总值、消费、投资及净出口的统
3、计数据。表1-12. SPSS主成分分析2.1描述统计表2-1是12个初始变量的描述统计量，包括平均值、标准差和分析数。 2.2相关系数矩阵表2-2是初始变量的相关系数矩阵表。从相关系数矩阵中可以看出多个变量间的相关系数较大，且对应的显著性相对普遍较小，说明这些变量之间存在着显著的相关性，进而说明了进行因子分析的必要。2.3KMO和巴特利特检验 KMO检验用于研究变量之间的偏相关性，计算偏相关时由于控制了其他因素的影响，所以会比简单相关系数来的小。本文中的KMO为0.406，还算可以接受。而Bartlett检验的显著性为0.000，从而各变量显著相关,即否定相关矩阵为单位阵的零假设。2.4总方
4、差解释表2-3为总方差解释表，给出了各个公共因子所解释的方差及累计和。前两个公共因子解释的累计方差达到了88.728%,而后面的公共因子的特征值较小，对解释原有变量的贡献越来越小，因此提取两个公共因子是合适的。 2.4碎石图图2-4是关于初始特征值（方差贡献率）的碎石图。观察发现第二个因子后的特征值变化趋缓，故而选取两个因子是比较合适的 2.5成分得分系数矩阵表2-5为因子的得分系数矩阵，由此可以得出F1=0.310*最终消费+0.319*资本形成总额-0.125*货物与服务净出口-0.133*最终消费率+0.314*资本形成率；F2=-0.043*最终消费-0.032*资本形成总额+0.646*货物和服务净出口-0.550*最终消费率-0.003*资本形成率3.总结 由上述的结果可知，国民生产总值GDP主要由消费和投资决定，所以，国家在制定宏观经济政策时，对于如何拉动国民的消费需求，企业投资需求，同时提高国内产品的国际竞争力，促进货物和服务的净出口，是重中之重。
